O Google anunciou o Gemini 3.5 Transcribe, um modelo de speech-to-text projetado para transformar áudio bruto em texto formatado e pronto para leitura ou edição. O lançamento, descrito no blog oficial da empresa, enfatiza capacidades de limpeza automática de fala (remoção de palavras de preenchimento e autocorreções), suporte a vocabulário personalizado e integração com outros modelos Gemini por meio de function calling.
Como o Gemini 3.5 Transcribe processa áudio e quais recursos oferece
Segundo o Google, o modelo converte diretamente áudio bruto em texto 'polido', aplicando autocorreções, removendo palavras de preenchimento e autoformatando a saída. O recurso de "smart transcription" também lida com autocorreções do próprio falante (por exemplo, "vamos nos ver terça — não, quarta") para produzir texto mais limpo e legível.
O Google destaca suporte a vocabulário personalizado, reconhecimento de entidades alfanuméricas (como códigos postais e IDs) e detecção automática de mais de 85 idiomas, incluindo variações regionais e sotaques. Para áudios pré-gravados, o modelo fornece atribuição de fala por orador e timestamps ao nível da palavra; a identificação confiável de múltiplos interlocutores é relatada para até três falantes, com suporte para mais de três classificado como experimental.
Além da transcrição, o Gemini 3.5 Transcribe pode acionar outras funções dos modelos Gemini via function calling — por exemplo, gerar imagens ou analisar arquivos em segundo plano — e, em produtos Google específicos, pode aproveitar o contexto de tela para melhorar a precisão. Em interfaces de usuário, o Google cita recursos como edição por voz no Gboard (Rambler) e comandos de voz integrados ao app Gemini no macOS.
Desempenho e benchmarks citados pelo Google
O Google publicou métricas de desempenho citando análises da Artificial Analysis e resultados em benchmarks públicos. A empresa reporta uma média de Word Error Rate (WER) de 4,0% para casos de streaming e 2,6% para casos não streaming conforme medido por essa análise externa.
No benchmark FLEURS — usado para avaliar desempenho multilíngue — o Google indicou WER de 5,50% em streaming e 5,04% em não streaming, ressaltando que os números variam conforme o conjunto de testes e os idiomas avaliados. A própria apresentação do produto observa essa variação entre testes e localidades.
Em comparação com o modelo anterior, Chirp 3, o Google afirma melhora significativa na latência: o tempo até a transcrição final teria melhorado em 70%, segundo a empresa. O comunicado salienta desempenho robusto em ambientes ruidosos e em captura de entidades alfanuméricas, mas relaciona essas conclusões às medições citadas nas fontes.
APIs, integrações e onde desenvolvedores podem testar o modelo
O Gemini 3.5 Transcribe está exposto em duas variantes de API: streaming em tempo real via Live API (modelo gemini-3.5-transcribe-live) e processamento de áudio gravado via Interactions API (modelo gemini-3.5-transcribe). O Google descreve latência sub-segundo para aplicações interativas que usam o Live API.
Em termos de disponibilidade para desenvolvedores, o serviço está em public preview na Gemini API por meio do Google AI Studio e da interface Antigravity. Plataformas de terceiros que já usam a Gemini Live API para criar interfaces de voz em tempo real — citadas pelo Google — incluem Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel e Vision Agents.
Para empresas, o acesso também está em public preview pela Gemini Enterprise Agent Platform, com integração planejada ao Gemini Enterprise for Customer Experience. O Google incentiva testes durante o período de preview e demonstrações de integração já aparecem com parceiros técnicos, conforme o anúncio oficial.
Onde usuários finais verão a transcrição e quais são as limitações atuais
O Google informa que parte das funcionalidades do Gemini 3.5 Transcribe já aparece em produtos para usuários finais: no app Gemini para macOS (em inglês) e no recurso Rambler do Gboard para Android em países e línguas selecionados. A chegada do recurso ao Chrome foi anunciada como "em breve".
O comunicado inclui ressalvas de disponibilidade: muitos recursos estão em preview e a disponibilidade varia por plataforma e idioma. A identificação de mais de três falantes permanece experimental, e os resultados de precisão e latência divulgados vêm de avaliações citadas pela própria empresa.
O Google também compartilhou relatos de clientes corporativos como Vivo, Intellitek Health e Lingopal, que apontaram experiência positiva com latência, precisão e suporte linguístico. Para quem pretende usar ou integrar a transcrição, o blog do Google e a Gemini API trazem instruções para inscrição no preview e detalhes técnicos adicionais.
Ainda não há avaliações aprovadas.